ArtificialIntelligence人工智能是什么第1章人工智能通識導論1.1認識人工智能1.2人工智能的發(fā)展人工智能的產(chǎn)業(yè)鏈與商業(yè)模式1.3課堂實踐1.5人工智能對人才的能力要求1.41.1.1人工智能的概念與特征如何更好地理解人工智能的概念呢？我們可以從人工智能最基本的三大特征入手，即感知能力、學習能力和推理能力，具備這些特征的對象或事物，便具有人工智能的能力。人工智能的感知能力是其與外界環(huán)境進行交互的基礎(chǔ)。通過傳感器、攝像頭、麥克風等硬件設(shè)備以及圖像識別技術(shù)，人工智能能夠收集大量的視覺、聽覺、觸覺等感官數(shù)據(jù)，并對感知數(shù)據(jù)進行處理和分析。感知能力人工智能的學習能力是其智能的核心體現(xiàn)。通過機器學習算法，人工智能能夠從大量數(shù)據(jù)中提取核心信息、發(fā)現(xiàn)規(guī)律，并據(jù)此調(diào)整自身行為，以適應(yīng)新環(huán)境或解決新問題。學習能力人工智能的推理能力是其解決復雜問題的關(guān)鍵。通過構(gòu)建決策樹、貝葉斯網(wǎng)絡(luò)（一種基于概率推理的圖形網(wǎng)絡(luò)）、神經(jīng)網(wǎng)絡(luò)（一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征進行分布式并處理信息的算法數(shù)據(jù)模型）等模型，人工智能能夠模擬人類的推理過程，對給定的信息進行評估、分析和預測，從而做出合理決策。推理能力1.1.2人工智能的學派1．符號主義符號主義（Symbolism）是人工智能研究中的一個重要學派，也被稱為邏輯主義（Logicism）、心理學派（Psvchlogism）或計算機學派（Comouterism）。其核心觀點在于，人類認知和思維的基本單元是符號，認知過程可以被視為在符號表示上的一種運算。圖1-1?使用決策樹判斷是否出門符號主義起源于20世紀50年代，是人工智能領(lǐng)域最早的學派。1.1.2人工智能的學派2．聯(lián)結(jié)主義聯(lián)結(jié)主義也叫連接主義。聯(lián)結(jié)主義的核心在于從大量數(shù)據(jù)中學習并優(yōu)化網(wǎng)絡(luò)連接以實現(xiàn)智能行為，該學派認為人工智能的關(guān)鍵在于模擬人腦神經(jīng)元之間的聯(lián)結(jié)機制和學習算法。聯(lián)結(jié)主義在語音識別、圖像識別等領(lǐng)域取得了顯著的成果，深度學習作為聯(lián)結(jié)主義的一個重要研究領(lǐng)域，目前仍在持續(xù)發(fā)展和進步當中，現(xiàn)在非常流行的人工智能生成內(nèi)。1.1.2人工智能的學派3．行為主義行為主義最初是心理學的一個學派，強調(diào)行為和環(huán)境刺激之間的關(guān)系。行為主義關(guān)注于讓機器通過與環(huán)境交互來學習和改進其行為，認為智能行為可以通過與環(huán)境的動態(tài)交互與反饋實現(xiàn)。行為主義學派通過模擬生物體的行為模式來實現(xiàn)人工智能，這一學派在機器人控制、自動駕駛等領(lǐng)域有著廣泛的應(yīng)用，并且隨著技術(shù)的進步，其應(yīng)用領(lǐng)域還在不斷擴大。1.1.3人工智能與新質(zhì)生產(chǎn)力1．認識新質(zhì)生產(chǎn)力新質(zhì)生產(chǎn)力是創(chuàng)新起主導作用，擺脫傳統(tǒng)經(jīng)濟增長方式、生產(chǎn)力發(fā)展路徑，具有高科技、高效能、高質(zhì)量特征，符合新發(fā)展理念的先進生產(chǎn)力質(zhì)態(tài)。它由技術(shù)革命性突破、生產(chǎn)要素創(chuàng)新性配置、產(chǎn)業(yè)深度轉(zhuǎn)型升級而催生，以勞動者、勞動資料、勞動對象及其優(yōu)化組合的躍升為基本內(nèi)涵，以全要素生產(chǎn)率大幅提升為核心標志，特點是創(chuàng)新，關(guān)鍵在質(zhì)優(yōu)，本質(zhì)是先進生產(chǎn)力。1.1.3人工智能與新質(zhì)生產(chǎn)力2．人工智能賦能新質(zhì)生產(chǎn)力從勞動者的角度人工智能具備將人類累積的知識轉(zhuǎn)化為數(shù)據(jù)化形式的能力，借助龐大的數(shù)據(jù)輸入和深度學習技術(shù)，以及模擬人類的思考模式，人工智能掌握的知識量遠超人類大腦的極限從勞動資料的角度人工智能正在催生出眾多新型生產(chǎn)工具，推動勞動資料從傳統(tǒng)的物質(zhì)形態(tài)向虛擬形態(tài)轉(zhuǎn)變，為生產(chǎn)活動帶來前所未有的變革從勞動對象的角度數(shù)據(jù)作為一種新興的生產(chǎn)要素，成為重要的勞動對象。人工智能將生產(chǎn)過程簡化為勞動者利用人工智能技術(shù)，對勞動對象進行智能化處理的過程1.1認識人工智能1.2人工智能的發(fā)展人工智能的產(chǎn)業(yè)鏈與商業(yè)模式1.3課堂實踐1.5人工智能對人才的能力要求1.41.2.1人工智能的發(fā)展歷程1．萌芽期1950年，英國數(shù)學家、邏輯學家和計算機科學的先驅(qū)，有“人工智能之父”之稱的艾倫·麥席森·圖靈（AlanMathisonTuring）提出了著名的圖靈測試，該測試的目的是判斷機器是否能夠展現(xiàn)出與人類相似的智能。1956年，美國達特茅斯學院舉行了第一次人工智能研討會。1959年，美國人喬治·德沃爾（GeorgeDevol）設(shè)計了世界上第一臺可編程的工業(yè)機器人“Unimate”。1.2.1人工智能的發(fā)展歷程通過圖靈測試的一般標準為：在一定時間內(nèi)（如5分鐘），機器需要回答由人類測試員提出的一系列問題，如果機器回答的問題超過30%讓測試員誤認為是人類所答，那么機器就通過了圖靈測試。A真正的人類B擁有智能的機器1.2.1人工智能的發(fā)展歷程2．探索期1966年，麻省理工學院的約瑟夫·魏澤鮑姆（JosephWeizenbaum）發(fā)布了世界上第一個聊天機器人ELIZA。ELIZA能夠通過腳本理解簡單的自然語言，并產(chǎn)生類似人類的互動。1966年至1972年期間，美國斯坦福國際研究所（SRI）研制出了機器人沙基（Shakey）。沙基裝備了電視攝像機、三角測距儀、碰撞傳感器、驅(qū)動電機以及編碼器，如圖1-6所示，它能夠在沒有外部控制的情況下，通過無線連接接收指令，并利用內(nèi)置的人工智能算法來解析周圍環(huán)境，做出決策并執(zhí)行任務(wù)。沙基是首臺采用人工智能技術(shù)，運用邏輯思維自行定位物體，并在物體周圍移動的移動機器人。圖1-6?機器人沙基1.2.1人工智能的發(fā)展歷程3．成長期1997年，IBM公司的電腦“深藍”（DeepBlue）在一場歷史性的對決中戰(zhàn)勝了國際象棋世界冠軍加里·卡斯帕羅夫（GarryKasparov），成為首個在標準比賽時限內(nèi)擊敗國際象棋世界冠軍的電腦系統(tǒng)。2011年，沃森（Watson）作為IBM公司開發(fā)的使用自然語言回答問題的人工智能程序，在美國著名智力問答節(jié)目《Jeopardy!》中亮相。2012年，加拿大神經(jīng)學家團隊創(chuàng)造了一個具備簡單認知能力、有250萬個模擬“神經(jīng)元”的虛擬大腦，命名為“Spaun”。2015年，Google研發(fā)出利用大量數(shù)據(jù)就能訓練計算機來完成任務(wù)的第二代機器學習平臺TensorFlow，這一舉措使得更多的研究者和開發(fā)者能夠輕松地使用人工智能的深度學習技術(shù)進行創(chuàng)新。1.2.1人工智能的發(fā)展歷程4．爆發(fā)期2020年，人工智能迎來一個里程碑式的突破，即GPT-3語言模型的發(fā)布。這一事件標志著人工智能技術(shù)在語言理解和生成方面取得了長足的進步。2021年，OpenAI發(fā)布了DALL·E，它是一種能夠根據(jù)文本描述生成圖像的人工智能技術(shù)。2023年，隨著生成式預訓練變換器（GPT）模型的進步，聊天機器人變得更加智能。2025年，我國企業(yè)推出的DeepSeek以“算法革命+算力平權(quán)”雙重引擎重構(gòu)了全球人工智能競爭格局，其推理能力較傳統(tǒng)模型提升3倍，性能得到大幅提升。圖1-7?DALL·E3官方網(wǎng)站1.2.2人工智能的發(fā)展現(xiàn)狀機器學習算法持續(xù)進步數(shù)據(jù)資源豐富多樣跨學科融合催生新方向倫理和法規(guī)問題備受關(guān)注計算能力大幅提升應(yīng)用場景豐富多元開源生態(tài)繁榮發(fā)展1.2.3人工智能的未來展望人工智能將深度融入日常生活Part01Part02人工智能將更加智能化Part03人工智能將應(yīng)用于更多領(lǐng)域Part04人工智能將加速經(jīng)濟轉(zhuǎn)型升級1.1認識人工智能1.2人工智能的發(fā)展人工智能的產(chǎn)業(yè)鏈與商業(yè)模式1.3課堂實踐1.5人工智能對人才的能力要求1.41.3.1人工智能的產(chǎn)業(yè)鏈產(chǎn)業(yè)鏈是指在生產(chǎn)過程中，從原材料采集、加工、生產(chǎn)、銷售到最終消費的一系列相互聯(lián)系、相互依存的環(huán)節(jié)組成的鏈條。圖1-8?人工智能產(chǎn)業(yè)鏈結(jié)構(gòu)1.3.1人工智能的產(chǎn)業(yè)鏈1．基礎(chǔ)層芯片是現(xiàn)代電子設(shè)備和計算系統(tǒng)的核心部件，也被稱為集成電路（IntegratedCircuit，IC）、微電路、微芯片，是一種將大量微小電子元件（如晶體管、電阻、電容等）集成在單個半導體基板（通常是硅片）上的微型電子電路。在人工智能領(lǐng)域，芯片可以根據(jù)不同的設(shè)計架構(gòu)分為不同的類型，其中較常見的有圖形處理器、現(xiàn)場可編程門陣列、專用集成電路、神經(jīng)網(wǎng)絡(luò)處理器等。芯片1.3.1人工智能的產(chǎn)業(yè)鏈圖形處理器Part01廣泛應(yīng)用于人工智能深度學習的訓練和推理，具有靈活性強的優(yōu)點，可以適應(yīng)多種類型的人工智能任務(wù)。但對于特定任務(wù)來說，沒有專用集成電路高效，功耗相對較高?，F(xiàn)場可編程門陣列Part02FPGA：一種可編程的邏輯陣列，允許用戶通過編程配置芯片的具體功能?？梢钥焖龠m應(yīng)算法變化，適用于需要低延遲處理的任務(wù)。常用于人工智能算法的原型設(shè)計、硬件加速和特定的推理任務(wù)，具有可編程靈活性高和并行計算效率高等優(yōu)點，但性能相對較低。專用集成電路Part03ASIC:

可以針對特定任務(wù)進行優(yōu)化，可以提供極高的性能和能效比，適合移動設(shè)備和邊緣設(shè)備。可用于大規(guī)模部署的人工智能推理任務(wù)，如數(shù)據(jù)中心的數(shù)據(jù)分析、自動駕駛汽車等具有針對性強、性能優(yōu)等特點，但開發(fā)成本相對較高，且靈活性差，一旦需求變化，可能需要重新設(shè)計神經(jīng)網(wǎng)絡(luò)處理器Part04NPU：專門為加速神經(jīng)網(wǎng)絡(luò)運算而設(shè)計的芯片。特點在于數(shù)據(jù)流驅(qū)動、高并行度和定制化硬件等，這些特點使得這類芯片能夠高效地執(zhí)行卷積、矩陣乘法等神經(jīng)網(wǎng)絡(luò)中的核心運算，從而大幅提高計算速度和計算效率。廣泛應(yīng)用于深度學習模型的推理和訓練，其優(yōu)勢在于高性能、低功耗和針對神經(jīng)網(wǎng)絡(luò)的優(yōu)化設(shè)計。1.3.1人工智能的產(chǎn)業(yè)鏈傳感器可以將感受到的被測量信息按一定規(guī)律變換成可用信號，以滿足信息的傳輸、處理、存儲、顯示、記錄和控制等需求。以壓力傳感器為例，它利用壓力敏感元件來感知外界的壓力。當外力作用于這些敏感元件時，它們的形狀或尺寸會發(fā)生微小的物理變化，這些物理變化隨后被轉(zhuǎn)化為電阻值或電容值的變化。傳感器04按測量目的分類物理傳感器、化學傳感器和生物傳感器03按制造工藝分類集成傳感器、薄膜傳感器02按工作原理分類振動傳感器、濕敏傳感器、磁敏傳感器、氣敏傳感器、真空度傳感器光電傳感器、壓力傳感器、位置傳感器、能耗傳感器01按用途分類1.3.1人工智能的產(chǎn)業(yè)鏈一種規(guī)模大到在獲取、存儲、管理、分析方面大大超出了傳統(tǒng)數(shù)據(jù)庫軟件工具能力范圍的數(shù)據(jù)集合。大數(shù)據(jù)1海量的數(shù)據(jù)規(guī)模數(shù)據(jù)量巨大到傳統(tǒng)的數(shù)據(jù)處理軟件無法處理的數(shù)據(jù)集合，其數(shù)據(jù)量一般達到PB（拍字節(jié)）甚至EB（艾字節(jié)）級別2快速的數(shù)據(jù)流轉(zhuǎn)數(shù)據(jù)處理軟件能夠快速響應(yīng)和處理這些數(shù)據(jù)，以支持實時分析和決策3多樣的數(shù)據(jù)類型包含多種類型的數(shù)據(jù)，如結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)4價值密度低從大數(shù)據(jù)中提取有價值的信息就變得很重要，需要高效的數(shù)據(jù)挖掘和分析技術(shù)的支持1.3.1人工智能的產(chǎn)業(yè)鏈大數(shù)據(jù)是推動人工智能發(fā)展的重要動力，它對人工智能的價值主要體現(xiàn)在以下5個方面。01提供豐富的訓練素材02優(yōu)化模型性能03促進算法創(chuàng)新04拓展應(yīng)用場景05推動產(chǎn)業(yè)發(fā)展1.3.1人工智能的產(chǎn)業(yè)鏈云計算是一種基于互聯(lián)網(wǎng)的計算模式，該模式由位于網(wǎng)絡(luò)中央的一組服務(wù)器把其計算、存儲、數(shù)據(jù)等資源以服務(wù)的形式提供給請求者，以完成信息處理任務(wù)。用戶只需通過互聯(lián)網(wǎng)使用這些資源即可。云計算云計算提供了對聯(lián)網(wǎng)功能、虛擬化計算資源（如虛擬機、存儲、網(wǎng)絡(luò)）等，用戶可以遠程訪問這些資源并管理自己的操作系統(tǒng)、應(yīng)用程序和數(shù)據(jù)庫基礎(chǔ)設(shè)施即服務(wù)（IaaS）01提供了一個包含操作系統(tǒng)、中間件、數(shù)據(jù)庫和運行庫等軟件的平臺，用戶可以在上面部署、管理和運行自己的應(yīng)用程序平臺即服務(wù)（PaaS）02提供了完整的軟件應(yīng)用程序，用戶無需在本地安裝或維護軟件，通?？梢酝ㄟ^網(wǎng)頁瀏覽器訪問這些應(yīng)用程序，所有操作都在云端進行及軟件即服務(wù)（SaaS）031.3.1人工智能的產(chǎn)業(yè)鏈2．技術(shù)層020103人工智能的通用技術(shù)主要指的是那些能夠廣泛應(yīng)用于不同領(lǐng)域，能夠模擬、延伸和擴展人類智能的技術(shù)通用技術(shù)在人工智能領(lǐng)域，算法是用于訓練模型、優(yōu)化參數(shù)和執(zhí)行推理的數(shù)學規(guī)則和計算方法。算法是模型訓練的核心，通過不斷優(yōu)化模型參數(shù)以最小化誤差或最大化性能。算法模型基礎(chǔ)開源框架：為開發(fā)者提供基礎(chǔ)算法、數(shù)據(jù)結(jié)構(gòu)和工具集的開源軟件庫或平臺。技術(shù)開發(fā)平臺：通常是一個完整的集成開發(fā)環(huán)境，集成了數(shù)據(jù)處理、模型開發(fā)、訓練和部署等多個環(huán)節(jié)，旨在為開發(fā)者提供便捷、高效的人工智能應(yīng)用開發(fā)體驗。開發(fā)平臺1.3.1人工智能的產(chǎn)業(yè)鏈3．應(yīng)用層應(yīng)用產(chǎn)品應(yīng)用產(chǎn)品是指基于某種技術(shù)或理論，為了滿足特定需求或解決特定問題而開發(fā)出來的具體產(chǎn)品或服務(wù)。1應(yīng)用場景應(yīng)用場景則是指應(yīng)用產(chǎn)品在實際生活中被使用的具體環(huán)境和情境。它描述了產(chǎn)品如何在實際環(huán)境中發(fā)揮作用，以及用戶如何與產(chǎn)品進行交互。21.3.2人工智能的商業(yè)模式商業(yè)模式是指企業(yè)或組織為了實現(xiàn)盈利目標與其他企業(yè)、組織或用戶等形式的交易關(guān)系和連接方式。01AI即服務(wù)模式02人工智能平臺模式03垂直領(lǐng)域解決方案模式05混合模式04數(shù)據(jù)驅(qū)動模式1.1認識人工智能1.2人工智能的發(fā)展人工智能的產(chǎn)業(yè)鏈與商業(yè)模式1.3課堂實踐1.5人工智能對人才的能力要求1.41.4.1專業(yè)能力專業(yè)能力是指個體在特定領(lǐng)域內(nèi)，通過學習、實踐和經(jīng)驗積累所獲得的知識、技能和素質(zhì)的綜合體現(xiàn)，它使個體能夠有效完成該領(lǐng)域的工作任務(wù)并達到一定的職業(yè)標準。專業(yè)知識大學生需要具備扎實的數(shù)學基礎(chǔ)，包括統(tǒng)計學、線性代數(shù)等。同時還需要熟悉計算機科學的基本理論，如數(shù)據(jù)結(jié)構(gòu)、算法設(shè)計、操作系統(tǒng)等，以及人工智能的核心算法，如機器學習、深度學習算法等。Part01專業(yè)技能大學生應(yīng)具備將理論知識應(yīng)用于實際問題的能力，能夠簡單應(yīng)用人工智能算法，解決具體的技術(shù)問題。Part02實踐經(jīng)驗通過實踐，大學生可以更好地理解理論知識、掌握專業(yè)技能，并學會如何在實際場景中應(yīng)用這些知識和技能。Part03跨學科學習通過跨學科的學習和實踐，大學生可以拓寬自己的視野，提高解決問題的能力，并在人工智能領(lǐng)域取得更加全面的發(fā)展。Part041.4.2學習能力學習能力是指個體獲取、處理和應(yīng)用各種知識與技能的能力和潛力。學習能力自主學習能力創(chuàng)新能力獨立思考能力持續(xù)學習能力1.4.3社交能力社交能力是指個體能夠比較妥善地處理組織內(nèi)外關(guān)系的能力。01良好的溝通能力02理解與尊重他人03團隊合作與領(lǐng)導力04較強的適應(yīng)能力05社交沖突解決能力1.4.4其他能力在人工智能時代，大學生除了需要具備專業(yè)能力、學習能力和社交能力外，還應(yīng)注重培養(yǎng)以下3種能力，進一步提升自身素養(yǎng)，提高競爭力。01時間管理與自我管理能力大學生需要學會有效地管理自己的時間，能夠制訂合理的學習計劃，合理分配時間，提高學習效率。02抗壓能力與心理調(diào)適能力大學生在面對挑戰(zhàn)和壓力時，需要具備良好的抗壓能力，應(yīng)學會調(diào)整自己的心態(tài)，保持冷靜和理性，積極應(yīng)對各種困難和挫折03跨文化交流能力大學生需要具備跨文化交流的能力，能夠理解和尊重不同文化背景下的價值觀和行為習慣。1.1認識人工智能1.2人工智能的發(fā)展人工智能的產(chǎn)業(yè)鏈與商業(yè)模式1.3課堂實踐1.5人工智能對人才的能力要求1.41.5.1體驗人工智能的語音識別技術(shù)1．實踐目標小王本打算今天在計算機上撰寫一份工作總結(jié)，以便明天打印出來交給部門經(jīng)理，但是早上出門時就不小心弄傷了手指，導致無論是打字還是手寫都不方便。正在發(fā)愁之際，老張告訴小王可以借助人工智能技術(shù)，將輸入的語音轉(zhuǎn)換為文字。本次課堂實踐便與小王一起，體驗人工智能的語音識別技術(shù)。1.5.1體驗人工智能的語音識別技術(shù)打開計算機上的瀏覽器，利用搜索引擎搜索“靈云”，并在搜索到的結(jié)果中單擊“靈云——賦能百業(yè)共享AI未來”超鏈接，訪問靈云官方網(wǎng)站。將鼠標指針移至頁面上方的“開放平臺”超鏈接上，在自動彈出的下拉列表中單擊“智能語音”欄下的“語音識別”超鏈接，如圖1-11所示。2．實踐內(nèi)容圖1-11?單擊“語音識別”超鏈接1.5.1體驗人工智能的語音識別技術(shù)進入靈云的語音識別頁面，在右下角的下拉列表框中選擇場景模式，如這里選擇“會議”選項，單擊按鈕，如圖1-12所示。首次使用時，需要允許使用麥克風等聲音輸入設(shè)備（確保這類設(shè)備可以正常使用）才能錄音。開始對著麥克風錄入需要的內(nèi)容，靈云將記錄聲音信號。錄入完成后單擊按鈕，如圖1-13所示。圖1-12?選擇場景并開始錄音圖1-13?結(jié)束錄音1.5.1體驗人工智能的語音識別技術(shù)靈云開始識別語音內(nèi)容，稍后便會將識別到的內(nèi)容以文字的形式顯示在文本框中。此時可以拖曳鼠標選擇文字，在其上單擊鼠標右鍵，在彈出的快捷菜單中選擇“復制”命令，如圖1-14所示。此后便可打開Word文檔等文字處理軟件，粘貼文字并做適當調(diào)整，從而完成工作總結(jié)的制作（配套資源：效果文件\第1章\工作總結(jié).docx）。圖1-14?復制文字1.5.2制訂人工智能人才能力提升計劃1．實踐目標當前，我國人工智能行業(yè)發(fā)展如火如荼，人工智能應(yīng)用落地進展迅速。根據(jù)中國互聯(lián)網(wǎng)絡(luò)信息中心發(fā)布的《生成式人工智能應(yīng)用發(fā)展報告AIGC》，我國生成式人工智能產(chǎn)品的用戶規(guī)模已超過2億人，核心產(chǎn)業(yè)規(guī)模已接近6000億元人民幣。小劉是大一新生，看到人工智能的火熱，便想利用業(yè)余時間提高自己在人工智能方面的能力，以成為專業(yè)的人工智能人才。請幫助小劉制訂一份人才能力提升計劃，讓他在大學4年內(nèi)能夠成為符合人工智能行業(yè)所需要的人才。1.5.2制訂人工智能人才能力提升計劃大學第一年是打基礎(chǔ)的一年，努力學習數(shù)學、編程和計算機科學基礎(chǔ)知識，同時主動了解人工智能領(lǐng)域的消息。這一年需要重點學習微積分、線性代數(shù)、概率論與數(shù)理統(tǒng)計，掌握Python編程，提升編程技能,學習數(shù)據(jù)結(jié)構(gòu)和算法，學習計算機網(wǎng)絡(luò)、操作系統(tǒng)、數(shù)據(jù)庫原理等知識，同時需要閱讀人工智能領(lǐng)域的科普書籍和文章，關(guān)注人工智能科技評論，了解最新的人工智能進展和應(yīng)用。第二年需要深入學習專業(yè)技能并進行初步實踐，這一年需要學習基礎(chǔ)的機器學習與深度學習算法知識，并能夠參加人工智能的競賽項目，同時需要了解與人工智能相關(guān)的倫理與法律知識。2．實踐內(nèi)容1.5.2制訂人工智能人才能力提升計劃第三年需要深化人工智能專業(yè)技能，同時探索與其他學科的交叉融合，拓寬視野。這一年需要深入掌握機器學習與深度學習算法知識，探索人工智能在醫(yī)學、金融、教育等不同領(lǐng)域的應(yīng)用情況，并參加跨學科的研究項目或?qū)嵙暋Ｔ谶@一年，還需要提高溝通、團隊協(xié)作和項目管理等能力，能夠明確未來的職業(yè)方向。第四年可以通過實習將所學知識應(yīng)用于實際工作中，為就業(yè)做好準備。這一年的重點是在實習中運用所學的人工智能知識，并在實際工作中學習更多的實用知識和積累工作經(jīng)驗。同時，還需要完成與人工智能相關(guān)的畢業(yè)設(shè)計（如有需要），準備求職簡歷，積極參加招聘會，并持續(xù)保持學習的習慣。ArtificialIntelligence謝謝觀看!！學海無涯祝您成功！編者：×××ArtificialIntelligence人工智能如何工作第2章人工智能通識導論編者：×××2.1人工智能的工作流程與三大要素2.2人工智能的核心——機器學習基于神經(jīng)網(wǎng)絡(luò)的深度學習2.3課堂實踐2.42.1.1?人工智能的工作流程數(shù)據(jù)收集數(shù)據(jù)預處理模型選擇訓練模型持續(xù)學習部署模型優(yōu)化測試與評估2.1.2?人工智能的三大要素1．人工智能的燃料——數(shù)據(jù)數(shù)據(jù)的重要性模型訓練和性能決策支持適應(yīng)性泛化能力數(shù)據(jù)是訓練人工智能大模型的基礎(chǔ)，模型的性能在很大程度上取決于訓練數(shù)據(jù)的質(zhì)量和數(shù)量大規(guī)模的數(shù)據(jù)有助于模型捕捉到更細微的模式和特征，提高模型的泛化能力多樣化的數(shù)據(jù)集可以幫助模型在各種任務(wù)中表現(xiàn)出更好的泛化能力在復雜環(huán)境下，大量的數(shù)據(jù)可以為決策支持系統(tǒng)提供大量的事實依據(jù)，使得人工智能大模型能夠更好地完成智能決策2.1.2?人工智能的三大要素數(shù)據(jù)的來源公開數(shù)據(jù)互聯(lián)網(wǎng)項目定制化數(shù)據(jù)采集自研數(shù)據(jù)交換數(shù)據(jù)購買數(shù)據(jù)2.1.2?人工智能的三大要素數(shù)據(jù)處理的方法數(shù)據(jù)清洗數(shù)據(jù)轉(zhuǎn)換數(shù)據(jù)歸一化數(shù)據(jù)集劃分數(shù)據(jù)集成數(shù)據(jù)標注數(shù)據(jù)增強特征工程2.1.2?人工智能的三大要素2．人工智能的動力源泉——算力算力的分類基礎(chǔ)算力新一代算力超級算力智能算力計算系統(tǒng)執(zhí)行基本運算任務(wù)的能力，涵蓋日常計算中常見的加、減、乘、除等簡單數(shù)學計算，是計算任務(wù)的基礎(chǔ)起點智能算力通過模仿人腦的學習機制，能夠?qū)崿F(xiàn)對復雜數(shù)據(jù)的處理使用超級計算系統(tǒng)進行大規(guī)模并行計算的能力，通常用于解決非常復雜的科學和工程問題超越傳統(tǒng)計算架構(gòu)的新技術(shù)，在某些特定問題上可以實現(xiàn)比現(xiàn)有技術(shù)更高效、更快速的解決方案2.1.2?人工智能的三大要素算力的構(gòu)成01硬件資源02計算架構(gòu)03網(wǎng)絡(luò)04軟件優(yōu)化05能源管理2.1.2?人工智能的三大要素算力中心主要由基于CPU芯片的服務(wù)器提供算力，能夠滿足一般企業(yè)和個人的計算需求。阿里云、騰訊云、華為云等均是通用算力中心的代表。通用算力中心由基于GPU、FPGA、ASIC等芯片的加速計算平臺提供算力，主要用于人工智能的訓練和推理計算，可以應(yīng)用于計算機視覺、自然語言處理、機器學習等領(lǐng)域智算中心基于超級計算機或大規(guī)模計算集群的數(shù)據(jù)中心，能夠提供大規(guī)模計算、存儲和網(wǎng)絡(luò)服務(wù)等功能超算中心是一種集成了多種計算資源和技術(shù)的綜合型數(shù)據(jù)中心。它不僅包括基于CPU的通用算力，還包括基于GPU、FPGA、ASIC等芯片的智算能力和基于超級計算機的大規(guī)模算力融合算力中心2.1.2?人工智能的三大要素3．人工智能的“大腦”——算法算法的特征01有窮性02確定性03可行性05輸出項04輸入項2.1.2?人工智能的三大要素人工智能算法的含義人工智能算法可以理解為算法的一個子集，是一系列用于解決特定問題、模擬智能行為或進行自主學習的程序指令和規(guī)則。人工智能算法能夠處理和分析大量數(shù)據(jù)，識別數(shù)據(jù)中的模式，并據(jù)此做出決策或預測，其目的在于通過模擬人類智能的運作機制，賦予機器類似人類的思考、理解、學習與創(chuàng)新能力。2.1.2?人工智能的三大要素人工智能算法的發(fā)展過程1943年，美國心理學家沃倫·麥卡洛克和數(shù)學家沃爾特·皮茨提出了第一個神經(jīng)元模型，即M-P模型1951年，馬文·明斯基和迪恩·埃德蒙茲（DeanEdmonds）發(fā)明了第一臺模擬神經(jīng)網(wǎng)絡(luò)的學習機器——SNARC1956年誕生的“邏輯理論家”程序使用早期編程語言——信息處理語言（InformationProcessingLanguage，IPL）編寫1966年誕生的ELIZA聊天機器人，其核心算法基于模式匹配與轉(zhuǎn)換規(guī)則，即通過預定義的分解規(guī)則識別輸入的關(guān)鍵詞，再按重組規(guī)則生成響應(yīng)2.1.2?人工智能的三大要素1968年，美國斯坦福大學的愛德華·費根鮑姆（EdwardFeigenbaum）教授和化學家喬舒亞·萊德伯格（JoshuaLederberg）合作成功研發(fā)出世界上第一個專家系統(tǒng)DENDRAL1976年，美國斯坦福大學的愛德華·H.肖特利弗（EdwardH.Shortliffe）等人研發(fā)出MYCIN醫(yī)療專家系統(tǒng)，并在算法架構(gòu)和推理機制上實現(xiàn)了多項突破20世紀80年代初，隨著計算機硬件的進步，商用專家系統(tǒng)RI（又名XCON）問世2006年，杰弗里·辛頓及其團隊提出了深度信念網(wǎng)絡(luò)（DeepBeliefNetwork，DBN）2014年，伊恩·古德費羅（IanGoodfellow）等人提出生成對抗網(wǎng)絡(luò)（GenerativeAdversarialNetwork，GAN）算法2017年，谷歌公司提出了Transformer模型2018年，谷歌公司下屬的DeepMind團隊開發(fā)了AlphaZero，AlphaZero基于強化學習算法運作2021年，谷歌公司DeepMind團隊開發(fā)了AlphaFold2.1人工智能的工作流程與三大要素2.2人工智能的核心——機器學習基于神經(jīng)網(wǎng)絡(luò)的深度學習2.3課堂實踐2.42.2.1?機器學習的概念機器學習是人工智能領(lǐng)域中研究人類學習行為的一個分支，它借鑒了認知科學、生物學、哲學、統(tǒng)計學、計算機科學等眾多學科的觀點，通過歸納、一般化、特殊化、類比等基本方法探索人類的認識規(guī)律和學習過程，并推出了各種能通過經(jīng)驗自動改進的算法，使機器具備自動學習特定知識和技能的能力。01自動化和適應(yīng)性02高效的數(shù)據(jù)處理能力03預測和決策能力04可擴展性05個性化服務(wù)2.2.2?機器學習的分類有監(jiān)督學習的基本原理是通過輸入數(shù)據(jù)（特征）與標簽（目標變量）之間的映射關(guān)系來訓練模型，使模型能夠?qū)π螺斎氲臄?shù)據(jù)做出準確的預測。有監(jiān)督學習首先需要準備一個標注好的數(shù)據(jù)集，這個數(shù)據(jù)集包含輸入數(shù)據(jù)的特征和對應(yīng)的標簽，然后根據(jù)問題的類型選擇一個合適的算法模型進行訓練。訓練時，模型將接收輸入特征，通過一系列計算得到預測結(jié)果，然后利用損失函數(shù)計算預測結(jié)果與實際標簽之間的差異，并根據(jù)損失函數(shù)計算得到的誤差，通過梯度下降等優(yōu)化算法更新模型的參數(shù)。1．有監(jiān)督學習有監(jiān)督學習的原理2.2.2?機器學習的分類有監(jiān)督學習的類型分類：在分類任務(wù)中，有監(jiān)督學習的目標是將輸入數(shù)據(jù)分到預定義的類別中。每個類別都有一個唯一的標簽。回歸：在回歸任務(wù)中，有監(jiān)督學習的目標是預測連續(xù)數(shù)值的輸出。與分類任務(wù)不同，輸出標簽在回歸任務(wù)中是連續(xù)的。在有監(jiān)督學習中，數(shù)據(jù)集中的訓練樣本都有一個輸入特征，以及相應(yīng)的標簽（分類任務(wù)）或目標值（回歸任務(wù)），因此有監(jiān)督學習主要包括分類和回歸兩種類型。2.2.2?機器學習的分類常見的有監(jiān)督學習算法支持向量機(SVM)SVM是一種用于二分類和多分類任務(wù)的強大算法，它通過找到一個最優(yōu)的超平面來將不同類別的數(shù)據(jù)分隔開決策樹一種基于樹結(jié)構(gòu)的分類和回歸算法，它通過在特征上進行遞歸的二分決策來進行分類或預測決樸素貝葉斯一種基于貝葉斯定理的簡單概率分類算法，它在分類問題中特別有效，尤其是在處理文本分類（如垃圾郵件檢測）時K近鄰算法(KNN)一種基于實例的算法，它根據(jù)距離度量來對新樣本進行分類或回歸預測2.2.2?機器學習的分類有監(jiān)督學習的應(yīng)用場景圖像識別231自然語言處理有監(jiān)督學習在圖像識別任務(wù)中非常常見有監(jiān)督學習在語音識別領(lǐng)域被廣泛應(yīng)用，如將語音轉(zhuǎn)換為文本、說話者識別等在自然語言處理任務(wù)中，有監(jiān)督學習用于文本分類、情感分析、機器翻譯、命名實體識別等語音識別2.2.2?機器學習的分類無監(jiān)督學習的核心思想是通過對數(shù)據(jù)的統(tǒng)計特征、相似度等進行分析和挖掘，利用各種方法來捕獲和發(fā)現(xiàn)數(shù)據(jù)隱藏的內(nèi)在結(jié)構(gòu)和模式。2．無監(jiān)督學習無監(jiān)督學習的類型聚類異常檢測關(guān)聯(lián)規(guī)則挖掘降維將數(shù)據(jù)樣本分成相似的組別或簇的過程將高維數(shù)據(jù)轉(zhuǎn)換為低維表示的過程，同時盡可能地保留數(shù)據(jù)的特征用于發(fā)現(xiàn)數(shù)據(jù)集中項之間的關(guān)聯(lián)和頻繁項集用于識別與大多數(shù)樣本不同的罕見或異常數(shù)據(jù)點2.2.2?機器學習的分類常見的無監(jiān)督學習算法K均值聚類K均值聚類是一種常用的聚類算法，它將數(shù)據(jù)樣本分成K個簇，使得每個樣本與所屬簇中心的距離最小Part01主成分分析主成分分析是一種常用的降維算法，它通過線性變換將高維數(shù)據(jù)投影到低維空間以保留最重要的特征Part02關(guān)聯(lián)規(guī)則挖掘算法用于發(fā)現(xiàn)大型數(shù)據(jù)集中頻繁出現(xiàn)的項集和關(guān)聯(lián)規(guī)則，可用于購物車分析、入侵檢測和文本挖掘等領(lǐng)域Part03異常檢測算法如局部離群因子和支持向量數(shù)據(jù)描述等，這些算法通常比簡單的K近鄰算法更復雜，能夠檢測到更細微的異常Part042.2.2?機器學習的分類無監(jiān)督學習的應(yīng)用場景數(shù)據(jù)挖掘231模式識別無監(jiān)督學習讓機器能夠從海量的未標記數(shù)據(jù)中挖掘出潛在的價值和規(guī)律，為企業(yè)和研究機構(gòu)提供寶貴的決策支持無監(jiān)督學習自動發(fā)現(xiàn)數(shù)據(jù)中的代表性特征，減少了人工的工作量，提高了模型的泛化能力無監(jiān)督學習讓機器能夠識別出數(shù)據(jù)中的固有模式和結(jié)構(gòu)，這對于圖像識別、語音識別、自然語言處理等具有重要意義特征學習2.2.2?機器學習的分類3．半監(jiān)督學習半監(jiān)督學習的類型01半監(jiān)督分類02半監(jiān)督回歸03半監(jiān)督聚類04半監(jiān)督異常檢測05生成對抗網(wǎng)絡(luò)中的半監(jiān)督學習2.2.2?機器學習的分類常見的半監(jiān)督學習算法01自訓練02協(xié)作訓練03半監(jiān)督支持向量機05圖半監(jiān)督學習04生成式半監(jiān)督學習2.2.2?機器學習的分類半監(jiān)督學習的應(yīng)用場景自然語言處理機器人控制數(shù)據(jù)聚類圖像識別和計算機視覺借助半監(jiān)督學習可以利用少量有標簽的數(shù)據(jù)和大量無標簽的數(shù)據(jù)來提高文本分類、情感分析、命名實體識別等任務(wù)的完成度借助半監(jiān)督學習，可以在少量有標簽圖像和大量無標簽圖像上進行訓練，以提高圖像分類、目標檢測等任務(wù)的準確性借助半監(jiān)督學習，可以將有標簽和無標簽數(shù)據(jù)結(jié)合起來進行聚類，從而提高聚類結(jié)果的準確性和穩(wěn)定性在機器人控制領(lǐng)域，借助半監(jiān)督學習，可以幫助機器人在未知環(huán)境中進行自主決策和學習，從而提高其任務(wù)執(zhí)行能力2.2.2?機器學習的分類4．強化學習強化學習的類型Part01基于價值的強化學習Part02基于策略的強化學習Part04模型無關(guān)強化學習Part03模型驅(qū)動強化學習2.2.2?機器學習的分類常見的強化學習算法TRPO（TrustRegionPolicyOptimization，信任區(qū)域策略優(yōu)化）PPO（ProximalPolicyOptimization，近端策略優(yōu)化）SARSA（StateActionRewardStateAction，狀態(tài)行為獎勵狀態(tài)行為）Q學習（Q-Learning）2.2.2?機器學習的分類強化學習的應(yīng)用場景游戲強化學習在游戲玩法中有廣泛應(yīng)用機器人控制強化學習可以幫助機器人在未知環(huán)境中進行自主探索和學習，以完成復雜的任務(wù)自動駕駛強化學習可以應(yīng)用于自動駕駛領(lǐng)域，使車輛能夠根據(jù)環(huán)境和交通狀況做出決策，如規(guī)劃路徑、避免障礙物和遵守交通規(guī)則2.2.3?機器學習的常見算法1．樸素貝葉斯算法樸素貝葉斯算法利用概率統(tǒng)計知識進行分類，其核心思想是計算每個特征對于分類的條件概率，并基于這些概率來預測新數(shù)據(jù)的類別。樸素貝葉斯算法所需要估計的參數(shù)很少，對缺失數(shù)據(jù)不太敏感，算法也比較簡單，是應(yīng)用廣泛的分類算法之一。樸素貝葉斯算法假設(shè)特征之間是條件獨立的，這意味著每個特征對分類結(jié)果的影響相互獨立，這一假設(shè)簡化了計算過程，也是“樸素”二字的由來。2.2.3?機器學習的常見算法2．決策樹算法決策樹算法是一種利用樹形結(jié)構(gòu)對數(shù)據(jù)進行分類的算法，從根節(jié)點開始測試，先到子樹，再到葉子節(jié)點，從根節(jié)點到一個葉子節(jié)點是一條分類的路徑規(guī)劃，每個葉子節(jié)點代表一個判斷類別，如圖2-3所示。其核心思想是從起始點開始，根據(jù)數(shù)據(jù)集中的特征對數(shù)據(jù)進行分割，直到滿足停止條件。圖2-3?決策樹2.2.3?機器學習的常見算法目的是選取對數(shù)據(jù)具有分類能力的特征，選擇的準則通常為信息增益和信息增益比。特征選擇決策樹的生成根據(jù)選擇的特征，遞歸地構(gòu)建決策樹（遞歸即通過重復將問題分解為同類子問題的方法）。對生成的決策樹進行檢驗、校正和修剪，目的是去掉那些影響預測準確性的分枝，使決策樹更加簡單，從而提高其泛化能力。決策樹的剪枝決策樹的構(gòu)造過程：2.2.3?機器學習的常見算法3．支持向量機算法支持向量機算法是一種經(jīng)典的二分類模型，該算法的核心思想是找到一個最優(yōu)的超平面，將不同類別的樣本數(shù)據(jù)分開，并最大化間隔，從而實現(xiàn)對新數(shù)據(jù)的準確分類或預測。圖2-6?分隔糖果例如，桌上放置了若干深色的糖果和淺色的糖果，現(xiàn)在要求用一根棍子將它們按不同顏色分開，并且保證在放置更多深色或淺色的糖果后，這根棍子的兩邊仍保留有較大的間隙，如圖2-6所示。2.2.3?機器學習的常見算法圖2-7?在高維度空間分隔糖果但是，現(xiàn)實中很多情況下糖果都是散亂分布的，這樣就不能用一根棍子將它們按不同顏色分開，這就是二維平面中的線性不可分的情況。此時要想分隔不同顏色的糖果也很簡單，我們只需使用一個核函數(shù)，將二維平面中的糖果投影到三維空間，也許就可以在三維空間中找到一個平面將其分隔開來，如圖2-7所示。2.2.3?機器學習的常見算法圖2-8?支持向量把一個數(shù)據(jù)集正確分開的超平面可能有多個，而那個具有“最大間隔”的超平面就是支持向量機算法要尋找的最優(yōu)解，這個最優(yōu)解對應(yīng)的兩條虛線所穿過的樣本點，就是支持向量機中的支持樣本點，稱為“支持向量”。支持向量到超平面的距離被稱為間隔，如圖2-8所示。2.1人工智能的工作流程與三大要素2.2人工智能的核心——機器學習基于神經(jīng)網(wǎng)絡(luò)的深度學習2.3課堂實踐2.42.3.1?認識人工神經(jīng)網(wǎng)絡(luò)生物神經(jīng)網(wǎng)絡(luò)一般指生物的大腦神經(jīng)元、突觸等組成的網(wǎng)絡(luò)。生物神經(jīng)網(wǎng)絡(luò)的基本構(gòu)造包括神經(jīng)元（即神經(jīng)細胞）及其之間的連接，神經(jīng)元是生物神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)和機能單位，具有感受刺激和傳導興奮的功能。每個神經(jīng)元由細胞本體、樹突、軸突和突觸等部分組成，如圖2-9所示。1．生物神經(jīng)網(wǎng)絡(luò)圖2-9?生物神經(jīng)元的組成2.3.1?認識人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)按“層”劃分神經(jīng)元，主要包括輸入層、隱藏層和輸出層，如圖2-10所示，前一層的神經(jīng)元與下一層的神經(jīng)元相互連接，通過這樣的全層連接讓每個神經(jīng)元都能處理信號，并最終從輸出層得到結(jié)果。2．人工神經(jīng)網(wǎng)絡(luò)的構(gòu)成圖2-10?人工神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)2.3.1?認識人工神經(jīng)網(wǎng)絡(luò)神經(jīng)元通常包括3個部分，即輸入部分、處理部分和輸出部分，如圖2-11所示。圖2-11?人工神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的結(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元2.3.1?認識人工神經(jīng)網(wǎng)絡(luò)輸出部分輸出部分將輸出傳遞到下一組神經(jīng)元，從而實現(xiàn)信息傳遞處理部分處理部分將所有輸入求和，并將它們送入激活函數(shù)中產(chǎn)生輸出輸入部分輸入部分接收來自其他神經(jīng)元的輸入信號，并為每個輸入分配一個權(quán)重2.3.1?認識人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)主要有兩種神經(jīng)元，分別是BN（BipolarNeuron）和AN（ArtificialNeuron）。BNBN常用于傳統(tǒng)的傳感器網(wǎng)絡(luò)，其輸出是一個二元值（通常是-1或1），主要用于二分類或多分類任務(wù)01ANAN常用于現(xiàn)代神經(jīng)網(wǎng)絡(luò)，其輸出為一個連續(xù)值，主要用于處理回歸問題和概率估計問題022.3.1?認識人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)中的函數(shù)常見的有激活函數(shù)和損失函數(shù)，二者的作用各不相同。人工神經(jīng)網(wǎng)絡(luò)中的函數(shù)激活函數(shù)激活函數(shù)主要用于增強人工神經(jīng)網(wǎng)絡(luò)的表達能力，使得人工神經(jīng)網(wǎng)絡(luò)可以學習到更加復雜的非線性模式。常用的激活函數(shù)有Sigmoid、ReLU、Tanh等。01損失函數(shù)損失函數(shù)的主要作用是衡量模型預測結(jié)果和真實結(jié)果之間的誤差，并將誤差反饋給神經(jīng)網(wǎng)絡(luò)進行參數(shù)更新和優(yōu)化。常用的損失函數(shù)有均方誤差（MeanSquareError，MSE）、交叉熵損失（CrossEntropyLoss）、KL散度（Kullback-LeiblerDivergence）等。022.3.1?認識人工神經(jīng)網(wǎng)絡(luò)首先定義一個損失函數(shù)，損失函數(shù)的定義需要考慮到模型的任務(wù)和應(yīng)用場景。接著需要隨機初始化參數(shù)，這是非常重要的一步，確保人工神經(jīng)網(wǎng)絡(luò)的參數(shù)是隨機的，沒有任何先驗偏差。然后通過前向傳播，將輸入樣本傳遞給神經(jīng)網(wǎng)絡(luò)進行計算，緊接著進行反向傳播，用于更新權(quán)重和偏置的值。在訓練過程中，需要反復執(zhí)行前向傳播和反向傳播，以更新參數(shù)的值，并不斷減小誤差，直到誤差減小到某個閾值或達到最大訓練次數(shù)。3．人工神經(jīng)網(wǎng)絡(luò)的訓練和更新2.3.2?深度學習的概念深度學習模型通常包含數(shù)百萬甚至數(shù)十億個參數(shù)，能夠自動學習數(shù)據(jù)的有效表示，這些表示有助于解決分類、檢測等問題。與機器學習相比，深度學習具有自身獨有的特點。對比維度深度學習機器學習模型結(jié)構(gòu)與算法采用復雜的多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包含多個隱藏

層和大量的神經(jīng)元，通過反向傳播算法和梯度下降等優(yōu)化算法進行訓練通常使用較簡單的模型結(jié)構(gòu)和算，如線性回歸、決策樹算法、支持向量機算法等數(shù)據(jù)需求需要大量的數(shù)據(jù)來充分發(fā)揮其優(yōu)勢，尤其是大

規(guī)模復雜數(shù)據(jù)的處理，但當數(shù)據(jù)量較小時，可能無法很好地發(fā)揮其潛力對數(shù)據(jù)量的要求相對較少，可以使用較少的數(shù)據(jù)進行學習和泛化特征工程具有自動特征提取的能力，能夠從原始數(shù)據(jù)中

自動學習到更高級、更具代表性的特征，減少了人工干預的需求往往需要人工輔助，包括特征選擇、特征提取和特征轉(zhuǎn)換等執(zhí)行時間由于算法中參數(shù)較多，訓練時間通常較長，可能需要數(shù)小時甚至數(shù)天的時間訓練時間相對較短，從幾秒鐘到幾個小時不等硬件依賴性通常需要高端的機器，特別是

GPU

來加速計算，因為深度學習算法中的矩陣乘法等操作需要大量的計算資源可以在低端機器上運行，對硬件配置沒有很高的要求2.3.3?深度學習的常見算法1．深度神經(jīng)網(wǎng)絡(luò)深度神經(jīng)網(wǎng)絡(luò)（DeepNeuralNetworks，DNN）也叫多層感知機，是深度學習算法的基石。DNN是一種包含多個隱藏層的神經(jīng)網(wǎng)絡(luò)，它利用多層的網(wǎng)絡(luò)結(jié)構(gòu)進行特征的自動提取和學習，每一層由多個神經(jīng)元組成，神經(jīng)元之間通過權(quán)重連接，上一層都將其輸入傳遞給下一層，并使用非線性激活函數(shù)來引入學習到的非線性特性，如圖2-12所示。圖2-12?DNN的結(jié)構(gòu)原理2.3.3?深度學習的常見算法DNN的核心在于前向傳播和反向傳播這兩個關(guān)鍵環(huán)節(jié)。前向傳播從輸入層開始，逐層計算每個神經(jīng)元的輸出直至輸出層。每個神經(jīng)元的輸出都依賴于前一層的輸出和該神經(jīng)元的權(quán)重。通過非線性激活函數(shù)（如Sigmoid、ReLU等），將原始數(shù)據(jù)逐步轉(zhuǎn)化為更抽象和復雜的特征表示。01反向傳播通過計算預測值與實際值之間的誤差，反向更新每層神經(jīng)元的權(quán)重，以減小誤差。反向傳播基于鏈式法則（指計算復合函數(shù)導數(shù)時，把整個過程的每一步導數(shù)像鏈條一樣連乘起來）計算網(wǎng)絡(luò)中每個參數(shù)對于總